Interviews
Nijat Hasanli, produktchef hos Lindus Health – Interviewserie

NøglepunkterLindus Healths AI-drevne forsøgsoperativsystem multiplicerer effektivitetsgevinster på…
Vis mere
- Lindus Healths AI-drevne forsøgsoperativsystem multiplicerer effektivitetsgevinster på tværs af hele forsøgsudførelsens omfang.
- Virksomheden undgår brug af AI i kliniske behandlingsarbejdsgange for at eliminere direkte patientrisici.
- Strukturel fragmentering i traditionelle forsøg skaber unødvendig dataindsamling, som AI kan hjælpe med at eliminere tidligt.
Nijat Hasanli, produktchef hos Lindus Health, har solid erfaring med at opbygge og skalere produktfunktioner i sundhedsteknologiske og teknologidrevne organisationer. Han har ledet produktstrategi og gennemførelse hos Lindus siden 2022 efter tidligere stillinger hos OneCommerce og Downforce Technologies. Hans erfaring omfatter flere produktmiljøer i Storbritannien, hvor han har koblet produktudvikling til forretningsresultater, fremmet innovation og omsat kompleks teknologi til skalerbare, brugerorienterede løsninger i brancher under hurtig forandring.
Lindus Health er en AI-drevet virksomhed inden for kliniske forsøg, som arbejder efter modellen «Accountable Research Organization», altså en forskningsorganisation med samlet ansvar. Modellen skal give biotek- og medicinalvirksomheder større kontrol, højere hastighed og mere pålidelig gennemførelse af kliniske studier. Virksomheden erstatter traditionelle kontraktforskningsmodeller med en fuldt integreret platform, der prioriterer teknologi og samler alt fra forsøgsdesign og patientrekruttering til dataindsamling og gennemførelse i ét system. Forsøgene afsluttes ofte betydeligt hurtigere end normalt i branchen. Det egenudviklede, AI-native operativsystem giver indsigt i forsøgenes forløb i realtid, afstemmer incitamenter gennem milepælsbaseret prissætning og udnytter store mængder sundhedsdata til at forbedre rekruttering og resultater. Det overordnede mål er at få nye behandlinger hurtigere frem til patienterne.
Kan du fortælle om et afgørende øjeblik eller en tidlig udfordring, der formede Lindus Healths mission eller produktretning?
I kliniske forsøg forbindes innovation ofte med størrelse: store organisationer, betydelig kapital og etableret infrastruktur. Men en afgørende erfaring i vores tidlige historie lærte os det modsatte.
Da vi gennemførte det første forsøg, holdt vi det bevidst enkelt: noget, vi vidste, at vi kunne udføre sikkert med vores teknologi. Begrænsningen tvang os til at forenkle designet og anvende systemer, vi kontrollerede fuldt ud. Det gjorde afhængigheder og ineffektivitet tydeligere. Store, meget komplekse softwaresystemer er ikke nødvendige for at forny gennemførelsen af forsøg. Innovation kræver ansvar for hele forsøget fra start til slut med en sammenhængende datapipeline, som forbinder det hele. Overblikket viser, hvordan delene hænger sammen, og afslører muligheder, som er svære at identificere i fragmenterede driftsmodeller.
Hvordan effektiviserer jeres AI-drevne platform kliniske forsøg sammenlignet med traditionelle modeller?
Vi beskriver den ikke som en AI-drevet platform. CitrusTM er et AI-nativt operativsystem til forsøg. Vi bruger en distribueret tilgang: frem for at satse stort på ét AI-område bruger vi ingeniørteamet til at finde pålidelige, kontekstspecifikke anvendelser på tværs af systemerne. Det virker, fordi vi varetager hele gennemførelsen. Når AI fremskynder analysen af protokoller, kommer det forsøgsdesignet til gode. Når designarbejdet går hurtigere, overtager datateamet en mere overskuelig opsætning. Små forbedringer forstærker hinanden, fordi hvert trin giver mere strukturerede resultater og mindre omarbejde senere.
To eksempler illustrerer det. Vi genererer dataanalysekode med AI og har klare mekanismer til at kontrollere resultatet, før koden anvendes på noget. Vi bruger også AI til at omsætte protokoldokumenter til vores skematiske studiedesign. Den første omdannelse giver store effektivitetsgevinster, men den færdige opsætning gennemgår stadig flere ugers gennemgang og accepttest.
Vi anvender ikke AI i arbejdsgange for klinisk patientbehandling. Vi føler ansvar for, at vores anvendelser ikke udsætter patienter i forsøgene for risiko for skade, fordi infrastrukturen til de nødvendige sikkerhedsforanstaltninger stadig modnes. Dermed undgår vi de regulatoriske og sikkerhedsmæssige risici ved AI i klinisk behandling. Andre anvendelser underkastes samme grundige kontrol som anden AI i branchen, men de giver i udgangspunktet god tid til menneskelig gennemgang. Klinisk behandling har en anden risikoprofil: beslutninger træffes her og nu, og fejl kan påvirke patientsikkerheden direkte.
Hovedvirkningen er øget effektivitet i det kliniske forskningsteam. Meget af effektiviseringen støtter teamet direkte, og gevinsterne forstærker hinanden. Hver uge, vi sparer i forsøgets gennemførelse, bringer os en uge nærmere afslutningen af lægemiddeludviklingen og kan forkorte den samlede udviklingstid. AI gør også mere end at forudsige rekruttering. Den overvåger indkommende data for afvigelser, sikkerhedssignaler og risikoindikatorer og giver teamet et bedre overblik til effektivt tilsyn med forsøgene.
I traditionelle modeller er AI typisk en punktløsning: ét værktøj til én funktion, isoleret fra resten af processen. Vores model fra start til slut lader gevinsterne forplante sig gennem hele forsøget, og hver forbedring bygger på den foregående. Det er forskellen mellem at optimere enkeltfunktioner og at forbedre forsøgets samlede gennemførelse.
Tufts-studiet fremhæver, at næsten en tredjedel af dataene i kliniske forsøg er unødvendige. Hvordan identificerer og fjerner Lindus Health unødvendig dataindsamling med AI?
Det, Tufts-studiet beskriver, har vi set på egen hånd. Grundårsagen er efter vores erfaring strukturel: Når gennemførelsen er fordelt mellem teams, har hvert team incitament til at sikre sig mod alle eventualiteter. Det er en strukturel reaktion på fragmenteret ansvar. Fra leverandørkontrakter til indsamlingsværktøjer lægger hver overdragelse endnu et lag forholdsregler til.
Når arbejdet når frem til designeren af case report forms, er vedkommende ofte langt fra det oprindelige forskningsspørgsmål. Forskeren spørger måske: «Hvordan ændrede vægten sig over tre måneder med denne behandling?» Designeren fokuserer på driftsforhold som betingelser for betaling til forsøgsstederne, afkrydsninger om regeloverholdelse og krav til revisionsspor. Begge perspektiver er gyldige og nødvendige. Problemet er, at funktionerne ikke har fælles kontekst. Det operationelle støtteapparat vokser, og forskningsspørgsmålet begraves.
Før tekniske løsninger er der også et enklere niveau at tage fat på. Forskningsteamene har allerede AI-chatværktøjer og bruger dem konstant. De modtager snesevis af protokoldokumenter og PDF-filer hver uge. Muligheden for at lægge dem ind i AI-assisterede værktøjer og stille spørgsmål ændrer arbejdet med materialet. Det holder teamene tættere på forskningsspørgsmålet, så de ikke farer vild i driftsdetaljer.
Først forsøgsdesign. AI i hele design- og byggeprocessen hjælper med at finde problemer, før de låses ind i protokollen. Vi genererer forbedrede studieplaner og guider designerne gennem protokollen med markering af unødvendig kompleksitet, gentagelser og fejl. Designeren kan derefter beslutte på et oplyst grundlag at fjerne et datapunkt eller reducere indsamlingshyppigheden med dokumenteret begrundelse.
Dernæst dataanalyse. Når forsøget er i gang, er det en anden udfordring at ændre den planlagte indsamling. AI kan alligevel skille det væsentlige fra støjen hurtigere: Hurtigere sammenstilling, mønstergenkendelse og markering af afvigelser reducerer manuelt arbejde. Det gør teamene i stand til at finde ud af, om og hvor unødvendig indsamling faktisk påvirker forsøget. Med tidligere, pålidelige indsigter kan de justere, varsle forskningsteamet eller begrunde en protokolændring, som forenkler indsamlingen, mens der stadig er tid til at handle.
Det strukturelle problem behandles i to faser: I designfasen opdages og fjernes kompleksitet, før den låses fast. I analysefasen får teamene hurtighed til at identificere problemer og handle, mens forsøget foregår.
Hvad er de største misforståelser om AI i kliniske forsøg, og hvordan håndterer I dem over for sponsorer og myndigheder?
Den største misforståelse handler om tøven: antagelsen om, at sponsorer og myndigheder vil modsætte sig AI i kliniske forsøg. Det er ikke vores erfaring.
Tidlige samtaler har vist, at selv om myndigheder med rette er forsigtige med at udgive vejledninger, er de enkelte medarbejdere åbne for at diskutere AI i kliniske forsøg. Man anerkender generelt mulighederne for bedre produktivitet, effektivitet og kvalitet og er klar over branchens store mængde dobbeltarbejde.
Sponsorer har spurgt os om AI, før vi selv tog det op. De ønskede aktivt, at vi skulle finde og indføre løsningerne. Det skyldes to forhold: De bruger allerede nogle værktøjer selv og forstår mulighederne. Desuden ser de, at AI kan effektivisere og forkorte forsøg, reducere omkostninger og forebygge ellers oversete problemer. Flere har fortalt om internt pres for at demonstrere AI-brug til effektivisering.
En beslægtet bekymring er brug af data til modeltræning. Branchen udvikler sig her, og modeludbydere forklarer stadig tydeligere deres brugsplaner. Vi sikrer omhyggeligt, at værktøjerne ikke sender data til træning af grundmodeller. Vi er lige så omhyggelige med træning af egne modeller eller metoder. Alle, som gør det, bør beskrive det udtrykkeligt i aftalen om arbejdets omfang mellem kunde og leverandør. Dataanvendelse og modeladfærd skal dokumenteres klart.
Misforståelserne findes, men de understreger et ansvar: Vær tydelig om, hvor AI bruges, hvordan data håndteres, og hvilke sikkerhedsforanstaltninger der findes. Spørgsmålet for sponsorer er ikke, om AI bør bruges, men om leverandøren har tænkt spørgsmålene igennem og vil være åben om dem.
Hvordan balancerer I automatisering og menneskeligt tilsyn for at sikre både hastighed og kvalitet i gennemførelsen?
Vi er forsigtige med AI, hvor menneskelig kontrol ikke er mulig. Det afspejles i vores kvalitetsdokumentation og AI-politik.
Nogle udbydere tilbyder for eksempel chatbots, der vurderer patienters egnethed til et forsøg gennem samtale. Det kræver langt mere omtanke end de fleste anvendelser. I bedste fald udelukker AI fejlagtigt nogen fra et forsøg, som kunne have hjulpet dem. I værste fald godkender den dem, fortæller teamet, at de har bestået screeningen, og indfører en risiko i rekrutteringen, som ikke burde være der.
Menneskeligt tilsyn hjælper ikke her: Når et menneske kontrollerer resultatet, har AI allerede handlet i en arbejdsgang med alvorlige konsekvenser. Sammenlign med en fejl i en case report form. Går indsamlingen galt, kan man ændre værktøjet eller kassere data. Men hvis AI beder en patient eller et forsøgssted om at handle, er risikoen for uoprettelig skade større, både i alvorlighed og sammenlignet med andre steder, hvor AI kan fejle i forsøget.
Balancen opnås ved at fokusere på anvendelser med integreret menneskelig kontrol og håndterbare risici. AI er mest effektiv, når kontrollen er indbygget, og fejl kan rettes op.
Hvilke teknologier eller designprincipper mindsker patientbelastningen og forbedrer fastholdelsen mest effektivt?
Mindre patientbelastning og bedre fastholdelse bygger på små, bevidste skridt, som sikrer en god oplevelse. Intet enkelt tiltag løser det alene.
To designprincipper betyder mest.
Først kvaliteten af indhold og grænseflader for patienterne. Informationsarket, samtykkeerklæringen og appen under forsøget former alle oplevelsen. Teksten skal være klar og kortfattet. Grænseflader skal have intuitiv navigation, minimal friktion og ingen skjulte dokumenter. Samråd med patientrepræsentanter kan forbedre materialet, før deltagerne møder det. God brugeroplevelse er lige så vigtig her som andre steder, især i kliniske forsøg, hvor man ikke har millioner af brugere, der med tiden tilpasser sig.
Dernæst kontakten mellem forskningsteams og patienter. Der kræves kommunikationsværktøjer som påmindelser, invitationer og beskeder samt infrastruktur, der viser patientstatus, efterlevelse og sikkerhedssignaler. Automatiske overvågningsscripts markerer det, der kræver opmærksomhed, så teamene kan reagere hurtigt. Maskinlæring kan finde mønstre i efterlevelsesdata, for eksempel tidlige tegn på faldende engagement før et frafald. Det muliggør proaktiv indgriben frem for reaktiv opfølgning. Målet er de rigtige oplysninger til de rigtige mennesker på det rigtige tidspunkt uden støj, som udvander det vigtige.
Forbedringerne kræver ikke ny teknologi, men kommer heller ikke fra færdige løsninger. Der findes ikke et produkt, man bare kan sætte ind i forsøget og forvente, at det fungerer. Man må forstå, hvor patienter møder vanskeligheder, og håndtere dem bevidst. Moderne AI-værktøjer gør arbejdet hurtigere: forbedring af tekster, gennemgang af tone og automatisering af overvågningsscripts. Teknologien er moden. Forskellen er, om man løser problemer for forsøget eller for patienten.
Hvordan indsamler og integrerer Lindus Health patientfeedback i forsøgsdesignet, mens processen holdes enkel og effektiv?
Privatliv og krav om regeloverholdelse sætter rammerne for patientfeedback. Grundlæggende overvågning registrerer tjenestens oppetid, afidentificerede brugsdata som enhedstype og appadfærd samt mønstre i, hvor regelmæssigt deltagerne gennemfører planlagte vurderinger. Når data viser friktionspunkter, bruges det i designbeslutninger for fremtidige forsøg.
Den mere direkte integration går gennem forskningspersonalet. Koordinatorer opfordres til at tale med deltagerne og samle signaler om oplevelsen til resten af teamet. Kulturen støtter det: Patientfeedback deles i fælles kanaler og fremhæves på virksomhedens fællesmøder.
Der er også en strukturel fordel. I den traditionelle model samles et nyt forskningsteam til hvert studie. Lindus bruger samme teknologi og medarbejdere med erfaring fra flere studier. Kontinuiteten lader både dokumenteret og tavs viden flyde videre til designet af det næste forsøg. En koordinators erfaring med friktion i ét studie kan forme opsætningen af det næste.
Patientorganisationer udvider perspektivet med synspunkter, som ikke kommer via interne kanaler, især om hvordan forskellige patientgrupper oplever studiematerialer og processer.
Processen forbliver enkel, fordi feedback følger eksisterende strukturer og ikke kræver et særskilt apparat for hvert studie.
Hvad skal ændres i hele branchen, for at klinisk forskning bliver hurtigere og mere pålidelig?
Branchen har en strukturel træghed, som kræver, at fagfolk arbejder anderledes og viser alternativer i praksis. Virksomheders innovationsprogrammer og direktiver fra ledelsen har begrænset effekt på driftsændringer. Vi behøver fagfolk, som faktisk gør noget anderledes og viser, at det fungerer.
Statistisk programmering illustrerer det. Omformning af kliniske data til biostatistisk analyse er specialiseret arbejde udført af eksperter med dyb fagkundskab. Men feltet har svært ved at tiltrække talent. Fagfolk med datavidenskabelig eller ingeniørfaglig baggrund vælger det sjældent, selv om kompetencerne overlapper meget. Arbejdet er isoleret, metoderne uigennemskuelige for udenforstående og tilgangen af nye fagfolk begrænset.
AI kan åbne feltet op. Moderne værktøjer kan udføre meget af omformningen, og krav om dobbeltprogrammering, hvor to programmører producerer resultater uafhængigt, kan opfyldes med AI–menneske-par frem for to mennesker. Men teknologi alene løser ikke strukturproblemerne. Der kræves fagfolk, som vil indføre den gennemtænkt og bevise, at den opfylder myndighedskravene. Ellers udnyttes mulighederne ikke tilstrækkeligt.
Læringen er, at hurtigere og mere pålidelige forsøg kræver mere end nye værktøjer. Der skal skabes plads i ansættelser, fortolkning af regler og organisationskultur til folk, som arbejder anderledes. Sådan forkortes tidsforløb i praksis.
Hvordan vil forholdet mellem AI, data og forsøgsdesign udvikle sig de næste fem år?
Forholdet formes af en strukturel realitet: AI-effektivitet begrænses af kontekstens kvalitet. Uden fyldig, præcis viden om dataenes oprindelse, de omdannelser de har gennemgået, og deres betydning giver selv stærke modeller upålidelige resultater.
Det meste af branchen er fragmenteret. Kontraktforskningsorganisationer, CRO’er, ser kun dele af forsøgets livscyklus. Sponsorer arbejder med flere leverandører, som hver har en del af billedet. Kontekst går tabt i hver overdragelse. Når AI skal ræsonnere om forsøgsdata i dette miljø, arbejder den med ufuldstændige oplysninger, og de giver upålidelige resultater.
De organisationer, som får mest ud af AI, har sporbarhed fra start til slut. De styrer datakæden fra protokoldesign til indsamling og analyse. De udleder ikke konteksten, men skaber den: De designer formularerne, definerer felterne og skriver dataordbogen. Hvert datapunkt har kendt oprindelse, fordi organisationen har skabt oprindelsessporet. Sporbarhed er ikke blot driftseffektivitet; den muliggør velunderbyggede beslutninger, som påvirker patienter.
De næste fem år vil denne strukturelle fordel vokse. Organisationer med overblik over hele kæden vil bruge AI mere effektivt, fra adaptive forsøgsdesign, som reagerer på nye data, til protokoloptimering baseret på historiske mønstre. De vil opsamle læring, som forbedrer systemerne, og øge forspringet. Med fragmenterede data vil AI virke lovende, men upålidelig: Systemer fungerer godt under kontrollerede forhold, men generaliserer ikke pålideligt i produktionsmiljøer.
Spørgsmålet er ikke, om AI bliver vigtig, men om datainfrastrukturen til at gøre den troværdig findes. I størstedelen af branchen findes den endnu ikke. Det er arbejdet foran os.
Tak for det gode interview. Læsere, der vil vide mere om AI-nativ gennemførelse af kliniske forsøg, dataejerskab fra start til slut og hurtigere gennemførelse af studier, kan besøge Lindus Health.












